論文の概要: Point Cloud Sequence Encoding for Material-conditioned Graph Network Simulators

• arxiv url: http://arxiv.org/abs/2605.20978v1
• Date: Wed, 20 May 2026 10:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.615304
• Title: Point Cloud Sequence Encoding for Material-conditioned Graph Network Simulators
• Title（参考訳）: 物質調和グラフネットワークシミュレータのポイントクラウドシーケンス符号化
• Authors: Philipp Dahlinger, Balázs Gyenes, Niklas Freymuth, Luca Geminiani, Tobias Würth, Johannes Mitsch, Nadja Klein, Luise Kärger, Gerhard Neumann,
• Abstract要約: 我々は,学習したシミュレータを推論中の物理的特性に適応させるために,Point Cloud temporal cloud sequenceを導入する。 PEACHは、難易度の高い動的シーン上で、ゼロショットのシミュレートを正確に行うことができることを示す。
• 参考スコア（独自算出の注目度）: 18.946877621144193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Network Simulators (GNSs) have emerged as powerful surrogates for complex physics-based simulation, offering inherent differentiability and orders-of-magnitude speedups over traditional solvers. However, GNSs typically assume access to the underlying material parameters, such as stiffness or viscosity, severely limiting their utility in realistic experimental settings. While recent meta-learning approaches address the parameter dependency by inferring properties from mesh trajectories, reconstructing a mesh from an observed scene is challenging. In this work, we introduce Point Cloud Encoding for Accurate Context Handling (PEACH), a novel framework that applies in-context learning on point clouds to adapt a learned simulator to unseen physical properties during inference. Our approach relies on a novel spatio-temporal point cloud sequence encoder, as well as two forms of auxiliary supervision to help improve simulation fidelity. We demonstrate that PEACH is capable of accurate zero-shot sim-to-real transfer on a challenging, dynamic scene. Experiments on simulation scenes show that PEACH even outperforms mesh-based baselines on prediction accuracy, while being much more practical for real-world deployment.
• Abstract（参考訳）: グラフネットワークシミュレータ(GNS)は、複雑な物理学に基づくシミュレーションのための強力なサロゲートとして登場し、従来の解法よりも固有の微分可能性とマグニチュード・スピードアップを提供する。 しかし、GNSは通常、剛性や粘性といった基礎となる物質パラメータへのアクセスを前提としており、現実的な実験環境では有効性を著しく制限している。 近年のメタラーニングアプローチでは,メッシュトラジェクトリから特性を推論することでパラメータ依存性に対処しているが,観察されたシーンからメッシュを再構築することは困難である。 本研究では,ポイントクラウドによる高精度コンテキスト処理のためのポイントクラウドエンコーディング(PEACH)について紹介する。 提案手法は,新しい時空間クラウドシーケンスエンコーダと,シミュレーション忠実度向上のための2種類の補助監督方式に依存する。 PEACHは、難易度の高い動的シーン上で、ゼロショットのシミュレートを正確に行うことができることを示す。 シミュレーションシーンの実験では、PEACHはメッシュベースのベースラインを予測精度で上回り、実際のデプロイメントではずっと実用的であることが示されている。

関連論文リスト

• Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning [20.72669976554826]
  Learned Graph Network Simulators (GNS)は、従来のメッシュベースの物理シミュレータに代わる有望な代替手段を提供する。 その速度と固有の微分性は、ロボット操作や製造最適化のような高速で正確なシミュレーションを必要とするアプリケーションに適している。 動作プリミティブを用いて、1つのモデルコールから高速で安定で正確なシミュレーションを直接予測する。
  論文  参考訳（メタデータ） (2025-11-07T13:34:02Z)
• MaNGO - Adaptable Graph Network Simulators via Meta-Learning [25.80703650406406]
  グラフネットワークシミュレータ(GNS)はより高速な推論を提供するが、2つの重要な制限がある。 物理的パラメータの小さなバリエーションのために、スクラッチから再訓練されなければならない。 これは非効率であり、パラメータの異なるシミュレーションは共通の潜在構造を共有することが多い。 本稿では,条件付きニューラルプロセスを用いて,グラフトラジェクトリを符号化して潜在表現を生成するアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-07T12:44:24Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Latent Task-Specific Graph Network Simulators [16.881339139068018]
  グラフネットワークシミュレータ(GNS)は、従来の物理ベースのシミュレータに代わる効率的な代替手段である。 メッシュに基づくシミュレーションをメタラーニング問題とし,最近のベイズメタラーニング手法を用いて新たなシナリオへのGASの適応性を向上させる。 提案手法の有効性を,様々な実験により検証し,確立されたベースライン法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2023-11-09T10:30:51Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• DiffCloud: Real-to-Sim from Point Clouds with Differentiable Simulation and Rendering of Deformable Objects [19.435386865144586]
  本稿では,最近のニューラルネットワークアーキテクチャを用いて実点雲からのシミュレーションパラメータ推論を行う方法について述べる。 そこで本研究では,アライメントの実現に要する時間を大幅に短縮するために,異なる点クラウドサンプリングと微分可能なシミュレーションを活用することを提案する。 高度に変形可能なオブジェクトによる実験は、本手法が実際のオブジェクトの振る舞いと同等あるいはより良いアライメントを達成できることを示します。
  論文  参考訳（メタデータ） (2022-04-07T00:45:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。